Jul, 2024

基于基础模型的实体和方面目标情感分析的深度内容理解

HTML
PDF
TL;DR通过引入实体-方面情感三元组抽取 (EASTE)，扩展了目标-方面-情感检测 (TASD) 的方面为预定义的实体和细粒度的方面，从而揭示了链式方面对其实体的真实情感的复杂性，探索了基于 Transformer 架构的语言模型在 EASTE 任务上的解决能力，通过 BERT 架构的令牌分类任务以及 Flan-T5、Flan-Ul2 到 Llama2、Llama3 和 Mixtral 这样的文本生成模型使用不同的对齐技术，如零/少量样本学习、参数效率微调和低秩适应 (LoRA)，并在代表现有工作的 SamEval-2016 基准数据集上评估模型的性能，旨在实现在 EASTE 任务上的高性能并研究模型大小、类型和适应技术对任务性能的影响，最终提供了关于复杂情感分析的详细见解并取得了最新的研究成果。
发现论文，激发创造
  • 知道什么、怎么做和为什么：面向方面情感分析的几乎完整解决方案

    本文提出了一个新的ABSA子任务，名为Aspect Sentiment Triplet Extraction (ASTE)，并提出了解决这个任务的两阶段框架，实验结果表明这个框架在这个新的三元组抽取任务上取得了优异的表现和基准性能。

    Nov, 2019

  • 面向观点三元组提取的多任务学习框架

    提出了一种新颖的Aspect-based Sentiment Analysis框架，采用多任务学习和双仿射评分器，同时提取方面术语和意见术语，并解析它们之间的情感依赖关系，实验结果表明，相对于现有技术，该方法在SemEval基准测试中取得了显著的改进。

    Oct, 2020

  • 语义和句法增强的方面情感三元组抽取

    本文提出了一种利用语义和语法关系的Semantical and Syntactically Enhanced aspect Sentiment triplet Extraction(model S3E2)，采用图-序列交互建模和GRU进行情感分析，能够有效地在四个基准数据集上提取出情感三元组信息。

    Jun, 2021

  • 学习跨度级别的交互以进行方面情感三元组提取

    本研究提出了一种基于句子结构的方法，对ABSA中的Aspect Sentiment Triplet Extraction（ASTE）实现了更好的情感一致性，同时为Aspect Term Extraction（ATE）和Opinion Term Extraction（OTE）任务提供了高效的计算策略。

    Jul, 2021

  • 面向方面情感三元组提取的跨度双向网络

    本文提出了一种基于span-level的双向网络框架，以更全面地从评论语句中提取三元组。但随着所有可能的跨度数量的显著增加，从中有效地提取三元组成分至关重要和具有挑战性，并且采纳KL散度扩展的类似跨度分离代价来促进区分正确跨度的下游任务，并采用推理策略根据其置信度分数从结果中删除冲突的三元组。

    Apr, 2022

  • 预训练语言编码器是方面情感三元组提取的自然标注框架

    通过深入探究所含特定知识，该研究提出不必再设计模块来捕获ASTI的归纳偏差，奠定了PLEs可以作为自然标记框架用于1D和2D标记的基础，进一步提高标记结果的性能，这一方法已在实验中验证其新的最先进水平。

    Aug, 2022

  • 用于方面情感三元组提取的语义增强双编码器

    本文提出了一个框架，该框架利用了基本的编码器（主要基于BERT）和一个特殊的编码器，该编码器由Bi-LSTM网络和图卷积网络(GCN)组成，以捕获不同层次的语义信息并建模评论的依赖关系，通过融合两种编码器的语义，实现了多角度的交互，从而提高了方面-意见关系的全面理解， 并在基准数据集上进行了有效的实验验证。

    Jun, 2023

  • CONTRASTE：基于方面提示的监督对比预训练用于方面情感三元组提取

    使用CONTRASTE作为一种基于对比学习的新型预训练策略，通过在解码器生成的面向方面的情感表示上应用对比学习来提高Aspect Sentiment Triplet Extraction（ASTE）的性能，同时也展示了该技术在其他ABSA任务上的优势，并通过在基于编码器-解码器模型的基础上结合两个互补模块的新型多任务方法，即基于标记的观点术语检测器和基于回归的三元组计数估算器，进行细调以获得模型的权重，并通过详细的实验证明了我们所提出的每个组件的重要性，实现了ASTA的最新最佳结果。

    Oct, 2023

  • 面向细粒度情感分析的实体-方面-观点-情感四元组抽取

    我们提出了一种新的任务，称为实体-方面-意见-情感四元抽取（EASQE），旨在将方面术语层次化地分解为实体和方面，以避免在ABSA任务中的信息丢失，非独占性注释和意见误解。通过实验证明，我们的触发器-意见框架可以生成令人满意的EASQE结果，并且也可以应用于其他ABSA任务，显著优于现有的方法。

    Nov, 2023

  • 增强方面-句子意识：一种面向方面的情感分析的新方法

    通过增强方面-句子感知关注机制，提出了一个名为A3SN的新颖技术，通过增加注意力模块和整合特征表示，增强了Aspect-Based Sentiment Analysis（ABSA）的效果，并在三个基准数据集上胜过了最先进的基准模型。

    May, 2024